paligemma-3b-pt-448

paligemma-3b-pt-448

多语言视觉语言模型 适用于多种图像相关任务

PaliGemma-3b-pt-448是一款结合SigLIP视觉模型和Gemma语言模型的多语言视觉语言模型。该模型支持图像和文本输入,生成文本输出,适用于图像描述、视觉问答和文本阅读等任务。在多项基准测试中表现优异,尤其擅长处理高分辨率图像。研究人员和开发者可将其作为预训练模型,用于微调各类视觉语言应用。

模型图像文本生成多语言支持GithubPaliGemma微调视觉语言模型Huggingface开源项目

PaliGemma-3b-pt-448项目介绍

项目概述

PaliGemma-3b-pt-448是一个由Google开发的多功能、轻量级的视觉-语言模型(VLM)。这个模型是基于开放组件如SigLIP视觉模型和Gemma语言模型而构建的。它能够同时接受图像和文本作为输入,并生成文本作为输出,支持多种语言。该模型旨在通过微调在广泛的视觉-语言任务上实现领先的性能,如图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割等。

模型架构

PaliGemma-3b-pt-448模型由一个Transformer解码器和一个Vision Transformer图像编码器组成,总共有30亿个参数。文本解码器是基于Gemma-2B初始化的,而图像编码器则是基于SigLIP-So400m/14初始化的。整个模型是按照PaLI-3的方法进行训练的。

输入与输出

  • 输入:图像和文本字符串,如描述图像的提示或问题。
  • 输出:根据输入生成的文本,如图像描述、问题答案、目标边界框坐标列表或分割代码字。

预训练数据集

PaliGemma-3b-pt-448模型在多个数据集上进行了预训练,包括:

  • WebLI:一个大规模的多语言图像-文本数据集
  • CC3M-35L:来自网页的英语图像-文本对,并翻译成34种额外语言
  • VQ²A-CC3M-35L/VQG-CC3M-35L:VQ2A-CC3M的子集,翻译成34种额外语言
  • OpenImages:基于OpenImages数据集生成的检测和目标感知问答
  • WIT:从维基百科收集的图像和文本

数据处理

在训练过程中,项目团队对WebLI数据集应用了多种过滤方法,以确保训练数据的清洁度:

  • 色情图像过滤
  • 文本安全过滤
  • 文本毒性过滤
  • 个人信息过滤
  • 其他基于内容质量和安全性的方法

使用方法

PaliGemma-3b-pt-448模型主要设计用于微调特定任务,而不是直接使用。用户可以通过任务前缀(如"detect"或"segment")来配置模型要解决的任务。对于交互式测试,可以使用经过多任务微调的"mix"系列模型。

在Transformers库中使用

该模型可以通过Transformers库轻松加载和使用。用户可以选择在CPU上运行默认精度(float32)的模型,或在CUDA设备上运行bfloat16或float16精度的模型。此外,还支持4位和8位量化推理,以进一步优化性能和内存使用。

评估结果

PaliGemma-3b-pt-448模型在多个基准测试中展现出了优秀的性能,包括图像描述、问答、视觉推理等任务。这些评估结果表明,该模型具有强大的迁移学习能力,可以适应各种视觉-语言任务。

总的来说,PaliGemma-3b-pt-448是一个功能强大、灵活多用的视觉-语言模型,为研究人员和开发者提供了一个优秀的工具,可用于各种复杂的多模态任务。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多